- •А.А. Халафян
- •Лекция 1. Теории вероятностей. История возникновения. Классическое определение вероятности
- •Классическое определение вероятности
- •Лекция 2. Теоремы сложения и умножения вероятностей. Статистическое, геометрическое определение вероятности
- •Статистическое определение вероятности
- •Геометрическое определение вероятности
- •Последовательность испытаний. Формула Бернулли
- •Лекция 3. Аксиоматическое построение теории вероятностей. Аксиоматика колмогорова
- •Лекция 4. Случайная величина. Функция распределения
- •Основные свойства функции распределения
- •X1 x2 … xn …, причём xn→-∞, n→∞.
- •Лекция 6. Интегральная теорема муавра–лапласа, теорема бернулли
- •Лекция 7. Непрерывные случайные величины
- •Свойства непрерывной случайной величины
- •Законы распределения непрерывных случайных величин Равномерное распределение
- •Экспоненциальное распределение
- •Нормальное распределение
- •Лекция 8. Понятие многомерной случайной величины
- •Аналогично закон распределения y имеет вид
- •Лекция 9. Функция распределения многомерной случайной величины
- •Плотность вероятностей двумерной случайной величины
- •Лекция 10. Свойства плотности вероятностей двумерной случайной величины
- •Лекция 11. Функции от случайных величин
- •Лекция 12. Теорема о плотности суммы двух случайных величин
- •Лекция 13. Распределения стьюдента, фишера .Числовые характеристики случайных величин
- •Числовые характеристики случайных величин
- •Свойства математического ожидания случайной величины
- •Лекция 14. Числовые характеристики случайных величин (продолжение)
- •Другие характеристики центра группирования случайной величины
- •Характеристики вариации случайной величины
- •Свойства дисперсии
- •Свойства среднеквадратического отклонения
- •Лекция 15. Вычисление дисперсии основных распределений
- •Лекция 16. Числовые характеристики меры связи случайных величин
- •Лекция 17. Предельные теоремы теории вероятностей. Неравенство чебышева. Закон больших чисел
- •Неравенство Чебышева
- •Закон больших чисел
- •Закон больших чисел для одинаково распределенных случайных величин
- •Закон больших чисел в форме Бернулли
- •Лекция 18. Центральная предельная теорема
- •Лекция 19. Математическая статистика. Предмет математической статистики. Вариационные ряды
- •Лекция 20. Средние величины. Показатели вариации
- •Свойства среднего арифметического
- •Показатели вариации (изменчивости) вариационного ряда
- •Свойства дисперсии
- •Статистическая выборка
- •Лекция 21. Оценка параметров генеральной совокупности
- •Лекция 22. Точечные и интервальные оценки параметров распределения Метод наибольшего правдоподобия
- •Метод моментов
- •Интервальная оценка
- •Лекция 23. Проверка статистических гипотез
- •Лекция 24. Проверка гипотезы о равенстве средних
- •Проверка гипотезы о равенстве дисперсий
- •Проверка гипотезы о законе распределения
- •Лекция 25. Элементы регрессионного и корреляционного анализов
- •Линеаризующие преобразования
- •Линейный множественный регрессионный анализ
- •Множественный корреляционный анализ
- •Библиографические ссылки
Лекция 8. Понятие многомерной случайной величины
Очень часто результат испытания характеризуется не одной случайной величиной, а некоторой системой случайных величин , , …, которую называют также многомерной (п-мерной) случайной величиной, или случайным вектором X = ( , , …, ).
Приведем примеры многомерных случайных величин.
Пример 1. Успеваемость выпускника вуза характеризуется системой п случайных величин , , …, – оценками по различным дисциплинам, проставленными в приложении к диплому.
Пример 2. Погода в данном месте в определенное время суток может быть охарактеризована системой случайных величин: – температура; – влажность; – давление; – скорость ветра и т.п.
Пример 3. Состояние здоровья человека (температура тела, давление, параметры крови и т.д.).
В теоретико-множественной трактовке любая случайная величина (i = 1, 2, …,n ) есть функция элементарных событий , входящих в пространство элементарных событий (). Поэтому и многомерная случайная величина есть функция элементарных событий : ( , , …, ) = f(), т.е. каждому элементарному событию ставится в соответствие несколько действительных чисел , , …, которые приняли случайные величины , ,…, в результате испытания. В этом случае вектор x = ( , , …, ) называется реализацией случайного вектора X = ( , , …, ).
Случайные величины , , …, могут быть как дискретными (см. пример 1), так и непрерывными (см. пример 2,3).
Задача 1. Подбрасывают одновременно две игральные кости; случайная величина X – сумма очков, полученных в результате испытания; случайная величина Y – их произведение. Показать, что двумерная случайная величина (X, Y) есть функция элементарных исходов (событий) .
Решение. Множество элементарных исходов (пространство элементарных событий) состоит из 36 элементарных исходов, т.е.
= { , , …, } = {1/1, 1/2, ...,1/6, 2/1, 2/2, ...,2/6, ...,6/1, 6/2, ...,6/6},
где элементарный исход, например, = 2/3 означает выпадение при подбрасывании первой игральной кости 2 очков и второй кости – 3 очков. Если результатом испытания является какой-нибудь элементарный исход (событие) , то случайные величины Х и Y получат определенные значения; например, при = 2/3 Х = 5, Y = 6. Совокупность этих значений (X, Y) представляет, таким образом, функцию элементарных исходов (событий) , т.е.,
= 2/3 (5, 6).
Геометрически двумерную (X, Y) и трехмерную (X, Y, Z) случайные величины можно изобразить случайной точкой или случайным вектором плоскости Оху или трехмерного пространства Oxyz; при этом случайные величины X, Y или X, Y, Z являются составляющими этих векторов. В случае n-мерного пространства (п > 3) также говорят о случайной точке или случайном векторе этого пространства, хотя геометрическая интерпретация в этом случае теряет свою наглядность.
Наиболее полным, исчерпывающим описанием многомерной случайной величины является закон ее распределения. При конечном или счетном множестве возможных значений многомерной случайной величины такой закон может быть задан в форме таблицы (матрицы), содержащей всевозможные сочетания значений каждой из одномерных случайных величин, входящих в систему, и соответствующие им вероятности. Так, если рассматривается двумерная дискретная случайная величина (X, Y), то ее двумерное распределение можно представить в виде таблицы (матрицы) распределения, в каждой клетке (i,j) которой располагаются вероятности произведения событий p = P[X = x ,Y = y ].
Так как события [X = x , Y = yj] (i = 1, 2, …, n; j = 1, 2, …, m), состоящие в том, что случайная величина X примет значение xi, а случайная величина Y – значение yj, несовместны и единственно возможны, т.е. образуют полную группу, то сумма их вероятностей равна единице, т.е.
= 1.
Итоговые столбец или строка таблицы распределения (X, Y) в совокупности со значениями X, Y представляют соответственно распределения одномерных составляющих (xi, pi) или (yj, pj).
|
y |
… |
yj |
… |
Y |
|
x |
p |
… |
p1j |
… |
p1m |
p1 |
… |
… |
… |
… |
… |
… |
… |
x |
p |
… |
pij |
… |
pim |
pi |
… |
… |
… |
… |
… |
… |
… |
x |
p |
… |
pnj |
… |
pnm |
pn |
|
p |
… |
P j |
… |
Pm |
1 |
Действительно, распределение одномерной случайной величины X можно получить, вычислив вероятность события X = хi, (i = 1, 2, …, n) как сумму вероятностей несовместных событий
P(X = xi) = pi = P[(X = xi)(Y = y1)+…+(X = xi)(Y = yj)+…+(X = xi)(Y = ym)] =
pi1+…+pij+…+pim = .
Аналогично Р(Y = yj) = p j = .
Таким образом, чтобы по таблице распределения найти вероятность того, что одномерная случайная величина примет определенное значение, надо просуммировать вероятности pij из соответствующей этому значению строки (столбца) данной таблицы.
Если зафиксировать значение одного из аргументов, например, положить Y = yj, то полученное распределение случайной величины X называется условным распределением X при условииY = yj. Вероятности P(xi/yj) = pj(xi) этого распределения будут условными вероятностями события X = xi, найденными в предположении, что событие Y = yj произошло. Из определения условной вероятности P(X/Y) = Py X = P(XY)/P(Y) имеем
Р(Xi /Yj ) = pj(xi) = . (1)
Аналогично условное распределение случайной величины Y при условии X = xi задается с помощью условных вероятностей
Р(yj /xi ) pi(yj) = (2)
Задача 2. Закон распределения дискретной двумерной случайной величины (X,Y) представлен в таблице
|
-1 |
0 |
1 |
2 |
|
1 |
0,10 |
0,25 |
0,30 |
0,15 |
0,8 |
2 |
0,10 |
0,05 |
0,00 |
0,05 |
0,2 |
|
0,2 |
0,3 |
0,3 |
0,2 |
1 |
Найти:
а) законы распределения одномерных случайных величин X и Y;
б) условные законы распределения случайной величины X при условии Y = 2 и случайной величины Y при условии X = 1;
в) вычислить P{Y< X).
Решение.
а) случайная величина X может принимать значения:
Х = 1 с вероятностью p1 = 0,10 + 0,25 + 0,30 + 0,15 = 0,8;
X = 2 с вероятностью p2 = 0,10 + 0,05 + 0,00 + 0,05 = 0,2,
т.е. ее закон распределения X имеет вид
xi |
1 |
2 |
pi |
0,8 |
0,2 |